Logística y algoritmos bio-inspirados
Enfoques clásicos a problemas en logística
Los problemas con los que nos encontramos en logística son fundamentalmente de dos tipos: de optimización y de diseño. En el primer caso, dado un sistema ya existente se trata de encontrar los parámetros de funcionamiento que permitan aproximarse lo más posible a un objetivo o conjunto de objetivos. En el segundo caso, se trata de diseñar el sistema desde el principio para que se cumplan los objetivos prefijados. Aunque el primer tipo de problemas es el más común, cada vez es más frecuente encontrarse con problemas del segundo tipo.
El enfoque tradicional en ambos casos es a lo que nos referimos como “de arriba abajo” (top down) y consiste en utilizar la experiencia y habilidad de las personas implicadas para desarrollar reglas y programas para el procesado de los datos del problema. Por tanto, el sistema final está limitado por la experiencia y capacidad del equipo diseñador, así como por la disponibilidad y conocimiento de herramientas y técnicas específicas.
Problemas que plantean estos enfoques:
Escalabilidad - Las técnicas tradicionales de investigación operativa han tenido un éxito limitado en grandes problemas reales debido a sus pobres propiedades de escalado (no pueden manejar gran número de variables) y su falta de flexibilidad. Como consecuencia, la mayoría de los problemas “grandes” se abordan o bien manualmente o utilizando reglas simples, produciéndose en ambos casos resultados subóptimos.
Adecuación del problema a la herramienta (y no a la inversa) - Una práctica frecuente es intentar aplicar una técnica que el diseñador ya conoce y domina (como la programación lineal) a cualquier tipo de problema. Esto conduce muchas veces a la necesidad de realizar un “masaje” de los datos y restricciones del problema para que se adapten a la herramienta utilizada, y posteriormente realizar la operación inversa para que los resultados sean del tipo que se espera. En el proceso se pierde el contacto con el problema real, y las soluciones dejan de tener un carácter intuitivo para simplemente ser el resultado de operaciones matemáticas, volviéndose así incomprensibles para todo el mundo, a excepción tal vez del diseñador.
Abandono del personal clave – Si la resolución de problemas está basada en la experiencia e intuición del personal involucrado, ¿qué sucede cuando este personal abandona la empresa?.
Una visión nueva
Recientemente se ha producido un gran interés por una aproximación radicalmente diferente al diseño y optimización de sistemas. Este nuevo enfoque funciona de “abajo hacia arriba” (bottom up) y utiliza técnicas inspiradas en la biología y la evolución. Entre los algoritmos bio-inspirados podemos citar la computación evolutiva, la optimización por nubes de partículas, las colonias de hormigas y los sistemas basados en agentes.
¿Por qué utilizar algoritmos bio-inspirados?
- Han demostrado ser un buen método de resolución de problemas difíciles, no lineales y que implican muchas variables.
- Proporcionan una alta probabilidad de encontrar un óptimo global, a diferencia de métodos convencionales que pueden quedar atascados en soluciones locales subóptimas.
- Son capaces de funcionar bien en entornos dinámicos, es decir, cuando el problema o sus objetivos son variables en el tiempo.
- Se puede manejar problemas con cientos o miles de variables.
- Se puede optimizar múltiples criterios simultáneamente (por ejemplo, minimizar costes de transporte y tiempo de entrega).
- Es posible trabajar con distintos tipos de variables: discretas (1, 2, 3) continuas (1.678), difusas (“es probablemente inferior a 10”), descriptivas (azul/ rojo) etc.
- Las soluciones producidas son robustas, es decir, no sensibles a perturbaciones en el problema.
- Se pueden manejar múltiples restricciones (por ejemplo, maximizar el rendimiento sujeto a un coste menor que 10).
- Las soluciones son comprensibles por el personal no especializado.
¿Qué tipo de problemas se pueden resolver?
Asignación de recursos (personal, maquinaria, vehículos), planificación (mantenimiento, producción), enrutado (transporte, personal, comunicaciones), optimización de cadenas logísticas multimodales, cadenas de abastecimiento y distribución, procesos de fabricación, empaquetado y almacenamiento de materiales ..., control de inventario, gestión y asesoría de riesgos, modelado predictivo, diseño de redes de transporte y distribución, almacenes...
¿Qué beneficios se pueden esperar?
Reducción de los costes de operación – A continuación exponemos dos ejemplos reales como muestra del ahorro que se puede obtener en los costes de operación.
Caso 1: Una importante compañía europea de ferries consiguió utilizar menos empleados, asignar los existentes con mayor eficiencia y realizar predicciones de trabajo más fiables mediante la aplicación de computación evolutiva para la asignación de personal. Esto supuso una reducción del 11% en los costes de operación.
Caso 2: Una multinacional líder en productos cosméticos y de limpieza utilizó un algoritmo de agentes para optimizar su cadena de distribución, consiguiendo así una reducción de costes del 50%, lo que supone un ahorro de 300 millones de dólares anuales.
Maximización del beneficio bajo restricciones –
Caso 3: Un fabricante pretendía realizar una nueva asignación de recursos a centros de coste, con vistas a maximizar el beneficio y racionalizar la empresa. La forma tradicional de hacer esto era utilizando heurísticas y reglas no escritas, según las cuales los gestores sólo se preocupaban de los centros y recursos bajo su control directo. En su lugar, se utilizó un algoritmo evolutivo para obtener una asignación global de los recursos. El objetivo era maximizar el coste pero satisfaciendo al mismo tiempo ciertas restricciones “duras” y “blandas” (limites de recursos, restricciones de personal, factores estacionales etc). El resultado fue un incremento inmediato del beneficio del 4%. Además, el algoritmo evolutivo podía realizar predicciones, por ejemplo “¿cómo afecta un recorte del 15% en recursos al beneficio en el próximo ciclo?”.
Adaptabilidad – Los algoritmos bio-inspirados pueden utilizar funciones objetivo variables en el tiempo.
Caso 4: Una autoridad europea en materia de tráfico encargó el desarrollo de un controlador para semáforos basado en computación evolutiva. El resultado fue un controlador de calidad equivalente al mejor sistema diseñado manualmente para un entorno estático. Sin embargo la gran ventaja es que el algoritmo evolutivo se puede adaptar a las condiciones variables del tráfico, algo que el sistema convencional era incapaz de hacer.
Encontrar la mejor solución - Los algoritmos evolutivos son útiles para encontrar soluciones globales a problemas de optimización. Esto es más problemático para herramientas de investigación operativa convencionales, que pueden quedar “atascadas” en óptimos locales.
Caso 5: El proceso de recarga de un reactor nuclear normalmente se lleva a cabo una vez al año y el programa se desarrolla por métodos convencionales. En experimentos recientes, un algoritmo evolutivo se inicializó con la mejor solución obtenida manualmente y fue capaz de mejorarla, hasta el punto de que se pudo obtener un ahorro en la recarga de entre el 2 y el 5%.
Disminución del tiempo de escala – Una mayor eficiencia posibilita reducir los tiempos de operación lo que conlleva un incremento en el número de operaciones.
Caso 6: Estudios realizados en un importante puerto europeo han demostrado que la introducción de un algoritmo evolutivo simple puede conseguir grandes incrementos en la productividad de las grúas pórtico, teniendo como consecuencia una reducción del tiempo en puerto de los barcos de transporte de contenedores.
Para más información contacte con nosotros